字符串编码常用类型：utf-8,gb2312,cp936,gbk等。

Python中，我们使用decode()和encode()来进行解码和编码

在python中，使用unicode类型作为编码的基础类型。即

decode encode

str ---------> unicode --------->str

u = u'中文' #显示指定unicode类型对象u
str = u.encode('gb2312') #以gb2312编码对unicode对像进行编码
str1 = u.encode('gbk') #以gbk编码对unicode对像进行编码
str2 = u.encode('utf-8') #以utf-8编码对unicode对像进行编码
u1 = str.decode('gb2312')#以gb2312编码对字符串str进行解码，以获取unicode
u2 = str.decode('utf-8')#如果以utf-8的编码对str进行解码得到的结果，将无法还原原来的unicode类型

如上面代码，str\str1\str2均为字符串类型（str）,给字符串操作带来较大的复杂性。

好消息来了，对，那就是python3，在新版本的python3中，取消了unicode类型，代替它的是使用unicode字符的字符串类型(str),字符串类型（str）成为基础类型如下所示，而编码后的变为了字节类型(bytes)但是两个函数的使用方法不变：

decode encode

bytes ------> str(unicode)------>bytes

u = '中文' #指定字符串类型对象u
str = u.encode('gb2312') #以gb2312编码对u进行编码，获得bytes类型对象str
u1 = str.decode('gb2312')#以gb2312编码对字符串str进行解码，获得字符串类型对象u1
u2 = str.decode('utf-8')#如果以utf-8的编码对str进行解码得到的结果，将无法还原原来的字符串内容

避免不了的是，文件读取问题：

假如我们读取一个文件，文件保存时，使用的编码格式，决定了我们从文件读取的内容的编码格式，例如，我们从记事本新建一个文本文件test.txt, 编辑内容，保存的时候注意，编码格式是可以选择的，例如我们可以选择gb2312,那么使用python读取文件内容，方式如下：

f = open('test.txt','r')
s = f.read() #读取文件内容,如果是不识别的encoding格式（识别的encoding类型跟使用的系统有关），这里将读取失败
'''假设文件保存时以gb2312编码保存'''
u = s.decode('gb2312') #以文件保存格式对内容进行解码，获得unicode字符串
'''下面我们就可以对内容进行各种编码的转换了'''
str = u.encode('utf-8')#转换为utf-8编码的字符串str
str1 = u.encode('gbk')#转换为gbk编码的字符串str1
str1 = u.encode('utf-16')#转换为utf-16编码的字符串str1

python给我们提供了一个包codecs进行文件的读取，这个包中的open()函数可以指定编码的类型：

import codecs
f = codecs.open('text.text','r+',encoding='utf-8')#必须事先知道文件的编码格式，这里文件编码是使用的utf-8
content = f.read()#如果open时使用的encoding和文件本身的encoding不一致的话，那么这里将将会产生错误
f.write('你想要写入的信息')
f.close()

知识点：编码格式，下面放一下，文件编码的格式介绍（转来的）：

文件编码格式

从文件编码的方式来看，文件可分为ASCII码文件和二进制码文件两种。

ASCII文件也称为文本文件，这种文件在磁盘中存放时每个字符对应一个字节，用于存放对应的ASCII码。例如，数5678的存储形式为：
ASC码：　00110101 00110110 00110111 00111000
↓ 　　　　↓　　　　↓ 　　　↓
十进制码： 5　　　　　6　　　　7　　　　8 共占用4个字节。ASCII码文件可在屏幕上按字符显示，例如源程序文件就是ASCII文件，用DOS命令TYPE可显示文件的内容。由于是按字符显示，因此能读懂文件内容。

二进制文件是按二进制的编码方式来存放文件的。例如，数5678的存储形式为： 00010110 00101110只占二个字节。二进制文件虽然也可在屏幕上显示，但其内容无法读懂。C系统在处理这些文件时，并不区分类型，都看成是字符流，按字节进行处理。输入输出字符流的开始和结束只由程序控制而不受物理符号(如回车符)的控制。因此也把这种文件称作“流式文件”。

UCS-2编码(16进制)	UTF-8 字节流(二进制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

问题一：

使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？

我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？

问题二：

最近在网上看到一个ConvertUTF.c，实现了UTF- 32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、 GBK、UTF-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。

查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些Unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。

0、big endian和little endian

big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。

“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另一个丢了王位。

我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。

1、字符编码、内码，顺带介绍汉字编码

字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、 GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

这里还有一些细节：

GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。
在DBCS中，GB内码的存储格式始终是big endian，即高位在前。
GB2312 的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。

2、Unicode、UCS和UTF

前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。

Unicode 也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS可以看作是"Unicode Character Set"的缩写。

根据维基百科全书(http: //zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。

在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。

目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。

UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。

IETF 的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是 Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

3、UCS-2、UCS-4、BMP

UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：

UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。

UCS -4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为 256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。

group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。

将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。

4、UTF编码

UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：

例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110110001 001001，用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6B1 89。

读者可以用记事本测试一下我们的编码是否正确。

UTF -16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于 0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

5、UTF的字节序和BOM

UTF -8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是 “乙”？

Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：

在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

UTF -8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。

Windows就是使用BOM来标记文本文件的编码方式的。

6、进一步的参考资料

本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：

"Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

ExtJs--03--几个进度条代码，可以看看
/** //通过固定时间完成进度条，即：伪进度条Ext.onReady(function () {var progressBar = Ext.Msg.show({ title: "进度条",msg: "通过固定时间完成进度",width: 300,wait: true,waitConfig: { interval: 500, duration: 5000, fn: function () { Ext.Msg…...
2024/4/12 3:54:24
Opengl ES中YUV420转RGB
Opengl ES中YUV420转RGB 一、先了解一个概念“灰度图” 1、灰度图的定义：把白色与黑色之间按对数关系分为若干等级,称为灰度。灰度分为256阶。 2、举例：老式黑白电视机的图像，即灰度图像 3、灰度值与RGB的计算公式： Y = 0.299R + 0.587G + 0.114*B 4、这里有一个opengl e…...
2024/4/12 3:54:48
QT-多线程与界面之间交互总结
https://www.cnblogs.com/lifexy/p/10907901.html1. 线程与界面组件需要注意的地方在QThread线程中不能直接创建QWidget之类的界面组件.因为在QT中,所有界面组件相关的操作都必须在主线程中(也就是GUI thread)所以, QThread线程不能直接操作界面组件. 2.QThread线程如何操作界面…...
2024/4/12 3:54:30
Eclipse黑色主题设置方法
设置Eclipse黑色主题...
2024/3/28 22:38:17
js的进度条
作者：张铭标撰写时间：2019年6月 17日 js的进度条主要分为两种: setTimeout和setInterval.这两种的区别在于setTimeout()只执行一次,而setinterval()可以进行多次调用使用. 首先介绍第一种setTimeout()的用法: 第一步先引入jquery的插件:然后在body后面引用两个script的控件:…...
2024/4/17 19:04:46
如何保证QT中类的线程安全？（让多线程不再崩溃）
1 什么是类的线程安全（或线程安全的类）？了解多线程的人大概都知道，类的线程安全比可重入更加严格，它要求在不同线程同时调用类同一实例的成员函数，而不会引发程序的崩溃。 2 哪些情况下不用考虑线程安全问题？ 2.1 在多线程中对bool,int,float,QString等类型的操作，你不…...
2024/4/20 4:02:18
eclipse主题下载
我们都知道eclipse默认的颜色主题是白色的背景，但是如果想改变代码编辑区的背景颜色，需要怎么办呢？根据自己的需求选择喜欢的颜色主题，长时间工作对眼睛也有一定的保护效果。直接打开 Help -> Eclipse Marketplace 搜索Eclipse Color Theme来进行安装：如果是其他的版本…...
2024/5/10 4:04:35
FLV视频播放：对未缓冲进度条实现拖动
FLV视频播放：对未缓冲进度条实现拖动流媒体开发 Add comments八282010一、文件准备1、转码:ffmpeg 2、添加元数据:yamdi二、网页播放器：jw player 使用方法：http://yeti.mtm.net.cn/?p=15 三、服务器软件：NginxFlvModule 安装方法：编译nignx时加入 ./configure --with-h…...
2024/3/31 16:41:09
使用RGB值显示颜色
Use RGB values to Color Elements在 CSS 中表示颜色的另一个方法是使用 rgb 值。代表黑色的 RGB 值看起来是下面的样子：rgb(0, 0, 0)代表白色的 RGB 值看起来是下面的样子：rgb(255, 255, 255)使用 rgb，你通过 0 至 255 之间的一个数字来指定每种颜色的亮度，而不是像 hex c…...
2024/4/12 3:55:36
Eclipse下更换主题-Sublime的主题
1.打开Eclipse的Help->Eclipse Marketplace 2.查找Eclipse Color Theme并安装 3.Window->Preferences->General->Appearance在ColorTheme里选主题即可参考链接： http://jilin.iteye.com/blog/2150987eclipse漂亮主题MoonRise UI，比eclipse自带的漂亮很多...
2024/4/12 18:08:39
Qt-多线程访问数据库
文章摘自：http://beself.top/2019/06/05/qt-multi-threads-access-database/多线程访问数据库中遇到的问题，特此记录实验代码已上传gitee https://gitee.com/ALONE_WORK/QtCeShiXiangMu/tree/master/MulThreadSQL问题描述在单个线程中访问MySQL数据库时是可以的，但是在多线…...
2024/4/12 3:55:30
php 的pack方法归纳总结
2012-02-14 14:19 php 的pack方法归纳总结今天在弄这个pack方法，但是真不知道如何写下来，感觉很纷乱 pack--压缩资料到位字符串之中。语法：string pack(string format, mixed [args]...); 参数一：format参数表示资料用什么方式读取到参数二：将要压缩的资料。参数一的…...
2024/4/15 2:23:21
Qt下实现支持多线程的单例模式
1. 代码介绍实现单例模式的代码很多。本文的单例模式实现代码是本人一直在工程项目中使用的，现拿出和大家交流分享。本文实现的单例模式，支持多线程，采用双重校验检索的方式，集成析构类，杜绝内存泄漏，稳定性好。使用C++/Qt的朋友们可以了解一下。不再废话，直接上代…...
2024/4/12 3:55:54
Eclipse安装主题插件（color themes）
前一段时间由于好奇，自己动手吧eclipse的背景色和字体改成了网上推荐的豆沙色，然后今天又发现了一个背景字体网站，挺不错的：http://easycolor.cc/eclipse/list.html里面有很多很好的配色，看得人眼花缭乱，所以我又在好奇心的驱使下，下载了一个配色文件，并且在File-&g…...
2024/4/19 14:41:15
CTF隐写总结！
这个暑假在学安全，应对一个比赛。实验室朋友在一起学习，专攻自己的方向，相互帮助，讲解。主要是做CTF题，我之前学过一些web的，sql注入挺让我头疼的，一次又一次的挫败。我这次先入手了隐写，学的也不是很深。下面是做的一些笔记，也是很全，也不是很好。0x00jpg文件头十六…...
2024/4/18 12:01:24
状态栏的进度条_JS特效代码
最新状态栏的进度条_JS特效代码以下是三零网为大家整理的最新状态栏的进度条_JS特效代码的文章，希望大家能够喜欢! <script language=VBScript>Dim Bar, Line, SPBar = 0 Line = "|"SP = 100Function Window_onLoad() Bar = 95 SP = 10End FunctionFunctio…...
2024/4/12 14:04:52
Background背景色透明RGBA
RGB不用说，大家都知道是什么，但RGBA是什么呢？ background: rgb(0,0,0); background: rgba(0, 0, 0,0.5); 我们会发现RGBA里面新添加了一个值，但这个值又是什么呢？最后这个值就是在RGB的基础上加进了一个通道Alpha。 seo/ target=_blank>浏览器的兼容性：如果庞统说rgb…...
2024/4/16 16:32:13
QT学习笔记18多线程
通常情况下，应用程序都是在一个线程中执行操作。但是，当调用一个耗时操作（例如，大批量I/O或大量矩阵变换等CPU密集操作）时，用户界面常常会冻结。而使用多线程可以解决这一问题。多线程有以下几个优势：提高应用程序响应速度。这对于图形界面开发的程序尤为重要，当一个…...
2024/4/12 17:58:08
gbk, gb2312,big5,unicode,utf-8,utf-16之间的关系
gbk, gb2312,big5,unicode,utf-8,utf-16之间的关系最近和同事讨论unicode的相关知识，同事说unicode指utf-16，和utf-8相区别；而我的理解是unicode只是一种规范,而utf-16,utf-8等都是它的具体实现，互相也说不准。于是在网上搜索资料，最后发现其实双方都有道理，只是个人理解…...
2024/4/19 16:43:29
超赞的CSS3进度条可以随进度显示不同颜色
现在的WEB已经不是以前的WEB了，传输更大的数据量，有着更加复杂的计算，这就需要利用进度条来提高用户体验，必要时可以让用户耐心等待，不至于因操作卡了而关掉你的网页。前几天我在网上看到一款和一般进度条不太一样的玩意，它的外观是一条直线，末端有个小球，在进度变化时…...
2024/4/12 3:55:42